基于BP神经网络的财务预警实证研究

运用BP神经网络对我国制造业的上市企业进行实证研究,选取2002～2005年的62家ST企业为样本,并选取同行业、同时期、同规模的健康上市企业进行配对.通过显著性检验对指标进行筛选,并建立单纯依靠财务指标的BP神经网络财务预警模型,比较引入非财务指标后的模型的预测效果,得出引入非财务指标后的BP神经网络财务预警模型更加精确.     

基于BP神经网络的涉氨制冷企业风险分级模型

为缓和涉氨制冷企业风险分级状态,构建了以BP神经网络为基础的涉氨制冷企业风险分级模型。运用SPSS筛选和专家评审确定27项最终指标。通过专家打分法将南宁市11家涉氨制冷企业风险指标量化后作为BP神经网络模型训练的输入值。以此输入值为样本并从中选取10组数据作为训练样本,1组作为验证样本。验证结果表明,建立的模型对涉氨制冷企业风险进行快速分级具有一定程度的可靠性,有助于同类型企业及相关政府部门实现风险动态管理。     

基于多层前馈神经网络的互联网行业财务风险预警研究

为了构建一套科学合理、行之有效的财务风险预警机制,及时识别出企业隐藏的财务风险。本文以60家在A股上市的互联网企业为依据,以各企业2016~2018年的数据作为研究样本,选取了包含财务和非财务指标共计27项,构建了初步预警指标体系。通过非参数检验、主因子分析对指标进行优化和降维,将因子得分作为输入变量代入多层前馈神经网络进行训练和检验。检验结果表明：基于多层前馈神经网络的互联网行业财务风险预警模型达到了设计标准,具有较高的准确度和实际应用价值。     

基于RBF-BP复合神经网络的企业创新能力评价模型

为更加精准地测量企业创新能力,利用熵值法和相关性分析,从创新投入、创新产出、创新支撑3个维度建立企业创新能力评价指标体系,构建企业创新能力评价的RBF BP复合神经网络模型。该模型由1个输入层、1个RBF隐含层、1个BP隐含层以及1个输出层组成,其特点是将RBF隐含层的输出作为BP隐含层的输入。十折交叉验证与随机二次抽样2种方法检验表明,与单一RBF神经网络、单一BP神经网络相比,RBF BP复合神经网络模型的平均均方误差与平均绝对误差分别下降2821%、1519%和1251%、1255%,表明RBF BP复合神经网络模型具有最优的数据拟合能力,更适合于企业创新能力评价。     

互联网金融企业风险预警模型构建研究

结合互联网金融企业自身特点,建立互联网金融风险指标体系,采用主成分分析和BP神经网络结合的方法,构建互联网金融风险预警模型,将筛选后得到的主成分分析结果输入到训练后的BP神经网络风险预警模型中,进行实证分析.结果显示,训练后模型准确率可以达到96.35%,对于样本预测精准度具有较强作用,从而可以为互联网金融企业提供一种科学有效的风险预警方法,为政府决策部门提供智力支撑.     

中小企业板上市公司退市风险预警研究——基于因子分析的Rprop神经网络模型分析

以我国中小企业板上市公司退市风险预警为例,利用弹性反向传播算法(resilient back propagation,Rprop)和因子分析法相结合,建立一种基于因子分析的Rprop神经网络模型。首先利用因子分析法构建包含财务变量和非财务变量的预警体系;其次运用Rprop神经网络模型对我国160家中小企业板上市公司进行退市风险预警实证分析;最后对该模型的有效性进行实证分析,结果表明,该模型对上市公司退市风险预警的准确性比标准的BP神经网络模型和支持向量机模型分别提高2.91%和6.09%。因此,该模型可为投资者决策提供较好的参考依据。     

基于CNN的上市公司财务危机预警研究

对财务危机预警模型进行研究,有助于企业及早发现可能的风险,制定相应对策加强财务管理,对完善资本市场体系,推动经济高质量发展意义重大.本研究提出了一种基于主成分分析(Principal Component Analysis, PCA)和卷积神经网络(Convolutional Neural Network, CNN)相融合的财务危机预警方法.首先,针对海量财务数据存在噪音的问题,构建表征企业财务风险的主成分分析框架,实现备选指标数据的预处理.其次,根据预警指标的特征,通过对财务预警数据的反向学习训练,构建轻量化的三层卷积神经网络模型,预测企业是否陷入财务危机.最后,与现有机器学习财务预警方法进行对比,新模型显示了较高的预测准确率.     

基于BP神经网络CFRP约束混凝土抗压强度预测

为研究BP神经网络对CFRP约束混凝土抗压强度的预测能力以及神经网络模型的输出性能,在大量的实验数据基础上,建立了CFRP约束混凝土抗压强度的BP神经网络预测模型,探讨了不同数据组合对神经网络模型预测精度的影响;基于神经网络理论,将高精度BP神经网络模型生成了可方便应用的一般公式和简化公式,并与已有经验公式进行了对比分析.研究结果表明:BP神经网络能够很好地挖掘输入输出参数的数据信息,得到高精度的预测模型;相比于传统回归模型,用purelin代替sigmoid做传递函数推导得到的简化线性方程式仅增加了一项常数项,其预测值与试验值比值的平均值为1.011,变异系数为0.112,具有更高的预测精度和稳定性.     

财务共享模式下的财务智能化协作系统设计研究

随着人工智能等新技术不断发展,财务共享模式也迎来了新的历史发展纪元.针对建筑企业协作施工财务管理过程中的现状,提出了基于支持向量机的协作施工合同资金支付预警模型和基于BP神经网络的分包商信用信用评价模型,选择7个风险指标并设置三种风险等级,建立6个信用评价指标一级指标和20个二级指标.通过模型训练和测试,结果表明具有明显有效性,显著提高资金风险管控能力和保证信用评价的客观性.     

基于层次分析的长短记忆网络(AHP-LSTM)的食品安全网络舆情预警模型

随着互联网技术的迅猛发展,网络已成为社会舆情的重要阵地,而网络舆情是食品风险预警的一个方向。传统舆情预警模型在指标体系的基础上结合反向传播神经网络（back propagation neural network,BP）等神经网络模型进行分析,存在运行不稳定、预测精度不高等问题。为了解决这些问题,采用具有较高预测精度的长短记忆（long short-term memory,LSTM）网络算法,在网络事件指标体系的基础上引入层次分析法（analytic hierarchy process,AHP）并融合食品安全事件指标数据,将融合结果作为LSTM的期望输出,以建立更为稳定、精度更高的风险预警模型AHP-LSTM。实验结果表明,与传统模型相比,AHP-LSTM对于事件指标数据具有较强的处理能力和较高的预警精度。因此构建基于AHP-LSTM的食品安全事件预警方法,可为相关部门有效防范和管理食品安全网络事件提供一定的理论依据和数据支撑。     

基于BP神经网络的煤矿矿用设备安全监测研究

针对目前煤矿矿用设备在安全状况方面存在的问题,鉴于煤矿矿用设备各参数之间存在非线性关系,提出了一种基于BP神经网络的煤矿矿用设备安全检测方法,可实现非在线检测变量的在线估计及预测。将BP神经网络原理运用于煤矿矿用设备安全预警问题中,建立了多指标综合监测(评价)的矿用设备安全预警网络模型,并以实测数据为例对所建模型进行了训练和检验,研究结果表明,BP神经网络具有收敛速度快、逼近效果好、训练结果唯一、精度高等优点,可以较好地模拟煤矿矿用设备性能特性,有效提高了对煤矿设备安全数据的分析与预警。     

基于长短期记忆神经网络的企业财务风险预警模型研究

为了提高企业财务风险预警的准确度,采用长短期记忆(LSTM)神经网络算法建立企业财务风险预警模型。首先分析企业财务风险预警指标,并选取重要度高的指标构建企业财务风险预警特征样本。然后经过LSTM神经网络训练,采用遗忘门和记忆节点对历史财务数据进行遗忘和筛选,保留部分数据代入下次神经网络训练,通过反向传播获取最优权重与阈值。以企业财务风险预警准确度为目标函数,获得稳定的企业财务风险预警模型。实验证明,LSTM神经网络算法能够对企业财务重要指标进行预测,而且能正确设置企业财务风险预警阈值。通过和常用企业财务风险预警算法对比,本文算法的预警准确率更高。     

充填管道失效风险性预测精度研究

为更准确预测矿山充填管道失效风险性,建立主成分分析与改进BP神经网络相结合的评价模型。选取10项评价指标作为充填管道失效风险性的评判指标,统计10个矿山的样本数据,并运用主成分分析法对这10个样本数据进行预处理,得出主要成分,再利用改进的BP神经网络模型进行预测,最终得到更准确的管道失效风险预测结果。研究结果表明,所得到实际预测结果与期望值之间的相对误差分别为2.31%,1.68%,3.02%。预测相对误差控制在4%以内,较未经主成分分析处理的标准BP神经网络预测精度更为准确。利用主成分分析法与改进的BP神经网络相结合建立的充填管道失效评价模型具有分析速度快、预测精度高的特点,为矿山充填管道失效风险预测提供了一种更为完善的方法。     

基于LSTM神经网络的畸形波预测

采用长短时记忆(LSTM)神经网络预测方法对某岛礁地形模型的四个典型波浪试验数据进行预测分析,并建立了单步和多步预测模型.首先对波高时间序列数据进行归一化处理;然后建立了包括输入层、隐藏层和输出层的LSTM网络模型框架;最后对测试样本进行单步预测,将预测结果与支持向量机(SVM)模型和反向传播(BP)模型进行了对比.结果表明:LSTM神经网络预测精度有明显优势;多步预测中,提高预测时长其预测精度并无明显降低.     

基于熵权–VIKOR及AGA-BP模型的企业绩效评价研究——以我国上市物流企业为例

针对现有的企业绩效评价研究存在评价指标体系维度单一、评价结果时效较短、缺乏对企业未来绩效水平的探讨等问题,以我国上市物流企业为例,从财务及非财务角度构建了我国上市物流企业绩效评价指标体系,并通过熵权–VIKOR算法确定了各评价指标的权重以及各样本企业的期望绩效值。同时,采用自适应遗传算法（adaptive genetic algorithm, AGA）对传统的BP神经网络进行优化,构建了基于AGA-BP神经网络的企业绩效评价和预测模型。最后以36家样本企业数据为基础,对该模型进行训练和测试。测试结果证明了基于AGA-BP神经网络的上市物流企业绩效预测模型的有效性和实用性。     

改进的BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统BP算法的不足,提出一种基于Levenbery-Marquardt优化法的BP模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。     

煤矿企业融资风险险兆事件预警与应对策略

为帮助煤矿企业针对各类融资风险险兆事件高效制定风险预警对策,在对煤矿企业的融资风险险兆的表现形式进行梳理与识别的基础上,以煤矿企业的财务、经营信息数据为基础,通过对相关企业财务、经营指标的综合分析和预测,分别针对煤矿企业非融资活动险兆事件与融资活动险兆事件提出了相应的应对策略,并运用实证分析法,使用Z-Score预警模型对热点问题进行了验证。通过实证分析得出结论,Z-Score模型是行之有效的融资风险预警工具,能够为煤矿企业管理者提供融资决策依据,进而有效降低融资风险与损失。研究发现,真正出现融资风险的企业,在损失发生前往往已同时触发多种类型的险兆事件。     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究.以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好.以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据.     

T-S模糊神经网络在冠心病智能诊断中的应用

 冠心病是一种最为常见的心血管疾病,近年来在中国的发病率与死亡率逐年升高,准确诊断和及时治疗是有效降低冠心病死亡率的主要措施。通过引入模糊系统的理论,在传统BP神经网络结构中加入了模糊层与模糊规则计算层,建立了T-S模糊神经网络模型。使用该模型对采集于克利夫兰诊所的297组数据进行分析预测,与传统BP神经网络预测结果对比显示,T-S模糊神经网络模型的平均准确率为82.93%,而传统BP神经网络的平均准确率为75.56%,表明T-S模糊神经网络模型在冠心病的智能诊断中具有较高的预测准确率。     

基于神经网络的旅游突发事件预警研究

介绍了旅游突发事件和对其进行预警的意义.基于BP神经网络,建立了旅游突发事件预警模型,并对旅游突发事件预警模型进行了测试.测试结果表明,该模型具有较好的预测效果.